Máster en Data Science & Deep Learning
MIOTI - Tech & Business School
Información clave
ubicación del campus
Madrid, España
Idiomas
Español
formato de estudio
Mezclado
Duración
9 meses
Ritmo
Tiempo completo, Tiempo parcial
Tasas de matrícula
EUR 13.750 **
Plazo de solicitud
Solicitar información *
Fecha de inicio más temprana
Solicitar información
* la fecha límite para inscribirse a nuestros programas es una semana antes de comenzar con las clases
** *BECA del 50% para alumnos residentes en Lationoamerica
Introducción
El único máster donde aplicarás las últimas técnicas de Data Science y Deep Learning
El Máster en Data Science & Deep Learning está compuesto de dos programas:
- Con el Máster en Data Science & Big Data aprenderás las bases de la ciencia de los datos, desde el pre-procesamiento de los datos hasta los principales algoritmos de analítica predictiva. En esta formación te proporcionaremos las bases de Estadística y Python para poder trabajar con datos.
- En el Máster en Deep Learning aplicarás las últimas técnicas de Machine Learning y Deep Learning, base para disciplinas como el análisis predictivo, reconocimiento de imágenes, voz y textos.
El Máster de Data Science se adapta a tu ritmo de aprendizaje, con dos programas que se pueden cursar de forma independiente.
Oportunidades profesionales
Así se llama tu futuro
Estas son algunas de las salidas profesionales más emocionantes que estarán a tu alcance después de este programa.
- Data Scientist
- Deep Learning Expert
- Business Analyst
- Data Analyst
- Data Engineer
- Machine Learning Expert
- Chief Data Officer
- Business Intelligence Professional
- Data Architect, Statistician
Plan de estudios
Lo Que Vas a Aprender en el Máster en Data Science & Deep Learning
Máster en Data Science & Big Data (200 horas) | Máster en Deep Learning (170 horas) |
Data Science Fundamentals Introducción a data science. Presentación del marco de referencia general. | Deep Learning El objetivo de la asignatura es introducir los conceptos fundamentales de las redes neuronales profundas. Además de proporcionar un recorrido teórico-práctico se aprenderán a utilizar las herramientas más importantes y a implementar soluciones desde cero. |
Statistics for Data Science Repaso de los fundamentos de estadística necesarios para dominar la ciencia de los datos. | Computer Vision El objetivo de la asignatura es introducir los conceptos fundamentales de las técnicas de Visión por Computadora (Computer Vision). Se realizará un recorrido teórico práctico de las principales técnicas. |
Data Science with Python Python como framework del especialista de data science. Desarrollo de notebook, uso de pandas, numpy, matplotlib. Procesamiento de datos de fuentes estructuradas (CSV, REST, HSQL, Logs) y no estructuradas (Web, Spark, Cassandra). | Natural Language Processing Introducción a los conceptos fundamentales de los mecanismos empleados para la comunicación entre personas y máquinas por medio del lenguaje natural. Conocer las interacciones y su aplicación en el campo de inteligencia artificial. |
Data Pre-processing ¿Cómo pre-procesar adecuadamente los datos?. Aplicación de filtros, anonimización de datos, selección de atributos, sampling y reducción de dimensionalidad. | Entrepreneurship II Discusión y descubrimiento de nuevos modelos de negocio basados en data science. |
Data Visualization ¿Cómo visualizar diferentes tipos de datos? ¿Qué técnicas utilizar? | Machine Learning II Aplicar redes convolucionales y modelos recurrentes profundos con Tensorflow en aplicaciones prácticas con imágenes, implementar y diseñar modelos neuronales para la resolución de problemas modelización/clasificación, diseñar modelos generativos adversariales para la gestión de datos. |
Bases de Datos
| Reinforcement Learning Introducción a los conceptos del aprendizaje por refuerzo. Conocer las formas de calcular medias y promedios móviles, procesos de decisión de Markov, programación dinámica, diferencia temporal de aprendizaje y métodos de aproximación. |
Predictive Analytics Introducción al análisis de series temporales, revisión de los mejores algoritmos disponibles. Desarrollo de casos de uso de detección de anomalías y predicción de series. | Machine Learning III Aplicar redes convolucionales y modelos recurrentes profundos con Tensorflow en aplicaciones prácticas con imágenes, implementar y diseñar modelos neuronales para la resolución de problemas modelización/clasificación, diseñar modelos generativos adversariales para la gestión de datos. |
Machine Learning I Introducción a los problemas de clasificación y clusterización. ¿Cómo evaluar los resultados? ¿Cómo construir los datasets? Revisión de los principales algoritmos y su aplicación. | Reto Kaggle Formarás parte de un equipo en Kaggle donde solucionarás un reto de Data Science. |
Big Data for Data Science Visión general de los conceptos fundamentales de las soluciones Big Data. Se repasarán arquitecturas de referencia y modelos de adopción con las principales tecnologías actuales incluyendo procesos de ingesta, análisis y visualización de datos en tiempo real. | Final Project La temática podrá ser propuesta por el estudiante o seleccionada de una lista proporcionada por MIOTI. |
Entrepreneurship I Discusión y descubrimiento de nuevos modelos de negocio basados en data science. | |
Final Project La temática podrá ser propuesta por el estudiante o seleccionada de una lista proporcionada por MIOTI. |
Galería
Admisiones
Cuota de matrícula del programa
Becas y Financiamiento
Tenemos plan de becas MIOTI.
Tenemos disponible becas de la Fundación Universia.
Tenemos disponible becas de la Fundación ONCE.
Bonificable por Fundae.
También puedes fraccionar el pago sin intereses.